一种基于放射组学预测脑肿瘤复发的新方法

《Scientific Reports》：A new radiomics-based approach for predicting brain tumor recurrence

　　

摘要

预测和识别肿瘤复发对于制定脑肿瘤患者的随访和治疗策略至关重要。影像组学在复发预测方面显示出前景；然而，其高维特征空间增加了过拟合的风险并降低了泛化能力，尤其是在小样本数据集中。传统的主成分分析（PCA）可以降低维度，但会使特征解释复杂化，而特征选择可能会受到影像组学变量之间多重共线性的影响。在本研究中，结合磁共振成像（MRI）衍生的影像组学特征与临床变量，以预测放疗后的脑肿瘤复发。我们评估了一种专为有限样本场景设计的替代影像组学工作流程，该流程识别最具预测性的特征家族，纳入基于原发肿瘤位置的分类特征，并在选定的特征家族内应用基于秩相关性的层次聚类。还引入了一个分类缩放参数，以减少独热编码临床变量对缩放数值影像组学特征的主导作用。在密西西比大学医学中心（UMMC）基准数据集上，所提出的工作流程在留存测试集上取得了 0.91 的受试者工作特征曲线下面积（AUC），高于 PCA（0.81）和 mRMR（0.75）基线，并且在同一数据集上优于之前报道的方法。这些发现是初步的，在临床采用之前需要外部验证。